Apresentação de Resultados - Desafio Técnico

Feito por Lucas Lopes - 08/03/2022

Definição Do Problema

A empresa Bagy está procurando por maneiras de identificar os clientes-chave e fatores de sucesso de sua plataforma com o objetivo de identificar padrões e replicar ações para toda a base de clientes. Para isso será preciso analisar a base de pedidos dos lojistas, ou seja, a base de dados de compras efetuadas em sites que utilizam a plataforma Bagy E-commerce internacionalmente.

Com esses dados em mãos, poderemos propor ações que ajudem os lojistas a venderem mais e por consequência ficarem mais satisfeitos com a plataforma.

---

Tecnologias utilizadas nesta análise:

Linguagem Python

Linguagem SQL

HTML

Linguagem CSS

Vamos começar!

Para executar este Jupyter Notebook você precisará instalar todas as bibliotecas python listadas abaixo.

---

Importando as bibliotecas que iremos utilizar ao decorrer da análise.

import pandas as pd
from pandasql import sqldf
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px
import warnings
import os
import locale
import datetime
from scipy.stats import spearmanr
warnings.filterwarnings('ignore')

Importando a base de dados de pedidos do e-commerce com a função pd.read_csv() da biblioteca pandas. Você pode encontrar os dados disponibilizados pela empresa Bagy clicando neste link.

pedidos = pd.read_csv('dados/teste_dados_ecommerce.csv', sep=';')

A primeira coisa a se fazer é verificar os tipos dos dados que estamos trabalhando (texto, inteiros, reais e etc..).

pedidos.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 541909 entries, 0 to 541908
Data columns (total 9 columns):
 #   Column       Non-Null Count   Dtype  
---  ------       --------------   -----  
 0   InvoiceNo    541909 non-null  object 
 1   StoreId      541909 non-null  int64  
 2   StockCode    541909 non-null  object 
 3   Description  540455 non-null  object 
 4   Quantity     541909 non-null  int64  
 5   InvoiceDate  541909 non-null  object 
 6   UnitPrice    541909 non-null  float64
 7   CustomerID   406829 non-null  float64
 8   Country      541909 non-null  object 
dtypes: float64(2), int64(2), object(5)
memory usage: 37.2+ MB

Será necessário alterar o tipo dos dados das colunas StoreId para o tipo string e InvoiceDate para o tipo datetime. Isto nos trará facilidades ao trabalhar com relacionamento entre tabelas e operações com datas mais a frente.

pedidos['StoreId'] = pedidos['StoreId'].astype('str')
pedidos['InvoiceDate'] = pd.to_datetime(pedidos['InvoiceDate'], infer_datetime_format=True)

Agora, vamos verificar se temos valores ausentes no conjunto de dados. Para isto, utilizamos o comando pd.isna e somamos o vetor de boleanos que é retornado.

pd.isna(pedidos).sum()

InvoiceNo           0
StoreId             0
StockCode           0
Description      1454
Quantity            0
InvoiceDate         0
UnitPrice           0
CustomerID     135080
Country             0
dtype: int64

Acima, podemos ver que temos valores ausentes apenas nas colunas Description e CustomerID. Existem muitas técnicas para tratamento de valores ausentes, porém não faremos nada a respeito destes valores nesta análise, pois eles não afetarão as respostas que pretendemos encontrar.

Abaixo, vamos utilizar o comando pd.shape para verificar a quantidade de linhas e colunas do nosso conjunto de dados.
Podemos ver que o conjunto de dados de pedidos possui 541909 observações (linhas) e 9 variáveis (colunas).

pedidos.shape

(541909, 9)

Utilizaremos o comando pd.describe() para verificar as estatísticas descritivas do conjunto de dados como média, desvio padrão e etc..

pedidos.describe()

	Quantity	UnitPrice	CustomerID
count	541909.000000	541909.000000	406829.000000
mean	9.552250	4.611114	15287.690570
std	218.081158	96.759853	1713.600303
min	-80995.000000	-11062.060000	12346.000000
25%	1.000000	1.250000	13953.000000
50%	3.000000	2.080000	15152.000000
75%	10.000000	4.130000	16791.000000
max	80995.000000	38970.000000	18287.000000

Finalmente, vamos visualizar uma parte do nosso conjunto de dados utilizado o comando pd.head()

pedidos.head(3)

	InvoiceNo	StoreId	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country
0	536365	11	85123A	WHITE HANGING HEART T-LIGHT HOLDER	6	2010-12-01 08:26:00	2.55	17850.0	United Kingdom
1	536365	9	71053	WHITE METAL LANTERN	6	2010-12-01 08:26:00	3.39	17850.0	United Kingdom
2	536365	17	84406B	CREAM CUPID HEARTS COAT HANGER	8	2010-12-01 08:26:00	2.75	17850.0	United Kingdom

Agora chegou a hora de fazer a análise exploratória dos dados, hora de fazer perguntas e encontrar as respostas.

---

Pergunta 1 - Quais as 10 lojas com maior faturamento em pedidos? Sumarize os dados dessa loja apresentando os seguintes campos:

• StoreId
• Volume total de itens vendidos
• Valor total vendido

---

Abaixo, vamos criar a coluna TotalFaturamento que será a multiplicação dos valores das colunas Quantity e UnitPrice.

pedidos['TotalFaturamento'] = pedidos['Quantity'] * pedidos['UnitPrice']

Com a coluna TotalFaturamento criada, vamos fazer o cálculo do volume de itens vendidos e do valor total vendido. Para isto utilizaremos a função pd.groupby() da biblioteca pandas.

top_10_lojas = pedidos.groupby(['StoreId'], as_index=False).sum()[['StoreId', 'Quantity','TotalFaturamento']]

O próximo passo é ordenar a tabela gerada em ordem decrescente de acordo com os valores de faturamento por meio da função pd.sort_values() e filtrar apenas as 10 primeiras linhas da tabela.

top_10_lojas.sort_values(by='TotalFaturamento', ascending=False, inplace=True, ignore_index=True)
top_10_lojas = top_10_lojas[0:10]
top_10_lojas

	StoreId	Quantity	TotalFaturamento
0	17	337514	659675.740
1	4	350583	607875.170
2	13	266709	525823.970
3	5	251249	505066.590
4	15	268690	504586.530
5	16	259878	501436.810
6	9	271067	494288.550
7	2	241355	493832.540
8	1	236687	488837.071
9	3	245406	488437.800

Acima, podemos verificar as 10 lojas com maior faturamento em pedidos.

Como não temos os nomes das lojas, vamos substituir os valores da coluna StoreId por nomes genéricos.
Exemplo: Loja 1, Loja 2 e por ai vai..

lojas = ['Loja ' + str(top_10_lojas['StoreId'][i]) for i in top_10_lojas.index]
top_10_lojas['StoreId'] = lojas

Aqui, definiremos um dicionário de cores para construção dos gráficos ao decorrer da análise.

cores = {'branco':'#FFFFFF', 'rosa':'#F93D8A', 'roxo':'#3C0877', 'verde':'#00B00F', 'preto':'#232323'}

Chegou o momento de plotar o primeiro gráfico para responder a primeira pergunta. Os gráficos serão construídos utilizando a biblioteca plotly.express(). Para entender como funcionam os parâmetros utilizados para a construção dos gráficos, recomendo uma leitura mais aprofundada da Documentação Plotly Express.

fig = px.bar(top_10_lojas, y='TotalFaturamento', x='StoreId',
             text='TotalFaturamento', labels={'TotalFaturamento':'Faturamento Total',
                                   'StoreId':'Lojas'}, height=500)

fig.update_traces(texttemplate='%{text:.2s}',textposition='outside',
                  marker_color=cores['rosa'], marker_line=dict(width=0.8, color=cores['roxo']))

fig.update_yaxes(color=cores['roxo'],  linecolor=cores['roxo'])
fig.update_xaxes(color=cores['roxo'], linecolor=cores['roxo'])

fig.update_layout(uniformtext_minsize=10, uniformtext_mode='hide',
                  title='Top 10 Das Lojas Com Maior Faturamento', title_x=0.5,
                 plot_bgcolor=cores['branco'], modebar_activecolor=cores['rosa'],
                 font_color=cores['preto'], title_font_color=cores['roxo'],
                  legend_title_font_color=cores['verde'])
fig.show()

Esses produtos certamente representam grande parte do faturamento da empresa, portanto, as ações de vendas devem ser direcionadas para manter o Top 10 de vendas. Nesse contexto, faz sentido investigar, para cada loja, alguns pontos como:

• Por que esses produtos são os mais vendidos?


• Qual é a sua faixa de preço?


• Em quais dias esses produtos são mais vendidos?

Pergunta 2 - Qual ticket médio mensal dos pedidos apresentados? Qual o volume médio mensal de vendas (todas as lojas)?

---

Criaremos a coluna InvoiceMonth para armazenar o mês do pedido de acordo com os valores de data da coluna InvoiceDate
.

pedidos['InvoiceMonth'] = pedidos['InvoiceDate'].dt.month

Podemos ver abaixo, que a coluna InvoiceMonth, já faz parte do nosso conjunto de dados. Utilizaremos esta coluna para fazer o cálculo do ticket mensal.

pedidos.head(3)

	InvoiceNo	StoreId	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country	TotalFaturamento	InvoiceMonth
0	536365	11	85123A	WHITE HANGING HEART T-LIGHT HOLDER	6	2010-12-01 08:26:00	2.55	17850.0	United Kingdom	15.30	12
1	536365	9	71053	WHITE METAL LANTERN	6	2010-12-01 08:26:00	3.39	17850.0	United Kingdom	20.34	12
2	536365	17	84406B	CREAM CUPID HEARTS COAT HANGER	8	2010-12-01 08:26:00	2.75	17850.0	United Kingdom	22.00	12

Nosso próximo passo é calcular a média da coluna TotalFaturamento, agrupando os valores por mês. Assim, obteremos os valores do ticket médio mensal dos pedidos.

ticket_medio = pedidos.groupby(['InvoiceMonth'], as_index=False).mean()[['InvoiceMonth', 'TotalFaturamento']]
ticket_medio.rename(columns={'InvoiceMonth':'Mês', 'TotalFaturamento':'Ticket Médio'}, inplace=True)

Vamos substituir os valores numéricos dos meses na coluna Mês pelos nomes dos meses. Para esse fim, vamos utilizar a função setlocale() da biblioteca locale .

locale.setlocale(locale.LC_ALL, 'pt_BR.utf8')
meses = []
for i in ticket_medio['Mês']:
    datetime_object = datetime.datetime.strptime(str(i), "%m")
    meses.append(datetime_object.strftime("%b"))

Já temos uma lista com os nomes dos meses em Português, basta substituir os valores da coluna Mês

ticket_medio['Mês'] = meses

Neste momento, já temos tudo que precisamos para plotar o gráfico com os valores do ticket mensal médio. Em caso de dúvidas sobre o código abaixo consulte a Documentação Plotly Express.

fig = px.line(ticket_medio, x="Mês", y="Ticket Médio", text="Ticket Médio", height=400)

fig.update_yaxes(color=cores['roxo'],  showgrid=True,
                 gridwidth=0.05, gridcolor='#DCDCDC')

fig.update_xaxes(color=cores['roxo'], linecolor='#DCDCDC')

fig.update_traces(texttemplate='%{text:.2s}', textposition="top right",
                  marker_color=cores['roxo'], line=dict(color=cores['rosa'], width=3))

fig.update_layout(uniformtext_minsize=10, uniformtext_mode='hide',
                  title='\n Ticket Médio de Vendas', title_x=0.5,
                 plot_bgcolor=cores['branco'], modebar_activecolor=cores['rosa'],
                 font_color=cores['preto'], title_font_color=cores['roxo'],
                  legend_title_font_color=cores['roxo'], yaxis_range=[15,25])
fig.show()

Uma forma de aumentar a participação no mercado e, em consequência disso, elevar o ticket médio, é realizar estudos de benchmarking entre as lojas.
O benchmarking é uma das maneiras de se posicionar no mercado, tomando como referência empresas concorrentes. A lógica é: se um estabelecimento do mesmo ramo consegue atender mais clientes que você, é sinal de que tem um diferencial que atrai as pessoas.

---

Além do ticket médio mensal, queremos saber qual é o volume médio de vendaspara dotas as lojas. Sendo assim, vamos contar as quantidadse de pedidos de todas as lojas agrupado por mês. Faremos isso com a função pd.groupby() associada a função count().

volume_medio = pedidos.groupby(['InvoiceMonth'], as_index=False).count()[['InvoiceMonth', 'InvoiceNo']]
volume_medio.rename(columns={'InvoiceMonth':'Mês', 'InvoiceNo':'Volume Médio de Vendas'}, inplace=True)

Novamente, substituiremos os valores numéricos da coluna Mês() pelos nomes dos meses.

volume_medio['Mês'] = meses

Logo abaixo, podemos ver a tabela de volume mensal de vendas resultante das operações anteriores.

volume_medio

	Mês	Volume Médio de Vendas
0	jan	35147
1	fev	27707
2	mar	36748
3	abr	29916
4	mai	37030
5	jun	36874
6	jul	39518
7	ago	35284
8	set	50226
9	out	60742
10	nov	84711
11	dez	68006

Vamos plotar o gráfico para visualizar melhor os volumes de venda e seu comportamento ao longo dos meses. Em caso de dúvidas sobre o código abaixo consulte a Documentação Plotly Express.

fig = px.area(volume_medio, x="Mês", y="Volume Médio de Vendas", text="Volume Médio de Vendas", height=400)

fig.update_yaxes(color=cores['roxo'],  showgrid=True,
                 gridwidth=0.05, gridcolor='#DCDCDC')

fig.update_xaxes(color=cores['roxo'], linecolor='#DCDCDC')

fig.update_traces(texttemplate='%{text:.2s}', textposition="top right",
                  marker_color=cores['roxo'], line=dict(color=cores['rosa'], width=3))

fig.update_layout(uniformtext_minsize=10, uniformtext_mode='hide',
                  title='\n Volume Mensal de Vendas em Milhares', title_x=0.5,
                 plot_bgcolor=cores['branco'], modebar_activecolor=cores['rosa'],
                 font_color=cores['preto'], title_font_color=cores['roxo'],
                  legend_title_font_color=cores['verde'], yaxis_range=[0,100000])
fig.show()

Podemos notar no gráfico acima que há um efeito de sazonalidade no volume de vendas, ou seja, períodos em que o volume de vendas varia muito, tanto positivamente quanto negativamente.

Neste cenário a empresa poderia investir em lançamentos de novos produtos nas duas janelas comerciais, ou seja, em março para minizar o efeito da sazonalidade no volume de vendas e em outubro para maximizar o efeito da sazonalidade e garantir produtos diferenciados para o mês de black friday.

Pergunta 3 - Existe alguma correlação entre o país e o volume de itens vendidos? Qual o item mais vendido e o menos vendido no país com maior volume de vendas?

---

Para saber se existe alguma correlação (sentido estatístico) aplicaremos o teste de correlação Spearman.

O teste de correlação de Spearman é semelhante ao de Pearson em termos de significado e interpretação. Entretanto, a utilização e o cálculo são diferentes. Usamos o método de Spearman quando queremos medir a correlação entre variáveis numéricas (lineares ou não) ou entre variáveis qualitativas e quantitativas.

Afinal, esse teste mede a relação monotônica entre duas variáveis. De forma simples, significa medir se X e Y variam juntas, mas não necessariamente em uma taxa constante. A tabela abaixo explica a intensidade da correlação entre duas váriáveis de acordo com os valores que R pode assumir.

Tendo entendido um pouco sobre a correlação de Spearman, vamos calcular o volume total de itens vendidos por país.

---

volume_pais = pedidos.groupby('Country', as_index=False).sum()[['Country','Quantity']].sort_values(by='Quantity', ascending=False)

O teste de correlação de Spearman exige que as variável qualitativas sejam ordenadas para que possa ser o coeficiente de correlação (r) possa ser calculado. Portanto, criaremos a coluna CountryNumber() que armazenará um número de acordo com a grandeza do volume total de ítens vendidos por cada país.

country_dict = {}
for i, v in enumerate(volume_pais['Country']):
    country_dict[v] = i + 1

volume_pais['CountryNumber'] = [country_dict[volume_pais['Country'][i]] for i in  volume_pais.index]

volume_pais.head(3)

	Country	Quantity	CountryNumber
36	United Kingdom	4263829	1
24	Netherlands	200128	2
10	EIRE	142637	3

Neste instante, já podemos aplicar o teste de correlação de Spearman aos dados. Vamos utilizar a função spearmanr() do pacote estatístico scipy.stats para aplicar o teste.

country = volume_pais['CountryNumber']
qtd = volume_pais['Quantity']

r, p_valor = spearmanr(qtd, country)
print(f'Correlação de Spearman {r:0.3}')
print(f'P-valor: {p_valor}')

Correlação de Spearman -1.0
P-valor: 0.0

Com base no resultado acima, podemos assumir que a correlação entre as variáveis País e Volume de Ítens Vendidosé muito forte, logo, estatisticamente, podemos dizer que o volume vendido está correlacionado ao país de origem dos pedidos.

---

Agora vamos reordenar os dados para plotar o gráfico que nos possibilitará saber o volume de itens vendidos por país.

volume_pais.sort_values(by='Quantity', ascending=True, inplace=True)

fig = px.bar(volume_pais, y='Country', x='Quantity',
             text='Quantity', labels={'Country':'País',
                                   'Quantity':'Volume de Vendas'}, orientation='h',  height=700,)

fig.update_traces(texttemplate='%{text:.2s}',textposition='outside',
                  marker_color=cores['rosa'], marker_line=dict(width=0.8, color=cores['roxo']))

fig.update_yaxes(color=cores['roxo'],  linecolor=cores['roxo'])
fig.update_xaxes(color=cores['roxo'], linecolor=cores['roxo'])

fig.update_layout(uniformtext_minsize=10, uniformtext_mode='hide',
                  title='Volume de Vendas por País em Milhões ', title_x=0.5,
                 plot_bgcolor=cores['branco'], modebar_activecolor=cores['rosa'],
                 font_color=cores['preto'], title_font_color=cores['roxo'],
                  legend_title_font_color=cores['verde'])
fig.show()

No gráfico acima podemos facilmente perceber que o país com maior volume de vendas é o Reino Unido. Logo, vale a pena descobrir qual o comportamento de vendas dos produtos neste país.

Começaremos descobrindo qual o item mais vendido no Reino Unido. Dessa forma, vamos filtrar a tabela pedidos, obtendo apenas os pedidos feitos no Reino Unido.

df_reino_unido = pedidos[pedidos['Country'] == 'United Kingdom']

Visualizando as 3 primeiras linhas do conjunto de dados de pedidos feitos no Reino Unido.

df_reino_unido.head(3)

	InvoiceNo	StoreId	StockCode	Description	Quantity	InvoiceDate	UnitPrice	CustomerID	Country	TotalFaturamento	InvoiceMonth
0	536365	11	85123A	WHITE HANGING HEART T-LIGHT HOLDER	6	2010-12-01 08:26:00	2.55	17850.0	United Kingdom	15.30	12
1	536365	9	71053	WHITE METAL LANTERN	6	2010-12-01 08:26:00	3.39	17850.0	United Kingdom	20.34	12
2	536365	17	84406B	CREAM CUPID HEARTS COAT HANGER	8	2010-12-01 08:26:00	2.75	17850.0	United Kingdom	22.00	12

Calculando a o total de itens vendidos por tipo de produto e ordenando do menor para o maior. Vamos armazenar isto em uma tabela temporária temp

temp = df_reino_unido.groupby(['StockCode'], as_index=False).sum()[['StockCode', 'Quantity']].sort_values(by='Quantity', ascending=False)
temp.head(3)

	StockCode	Quantity
1145	22197	52928
2995	84077	48326
3511	85099B	43167

Agora vamos descobrir o valor máximo max() de itens vendidos e fazer um relacionamento pd.merge() entre as tabelas para obtermos além código de estoque do produto, a sua descrição.

temp[temp['Quantity'] == max(temp['Quantity'])].merge(df_reino_unido, how='left', on='StockCode').iloc[0:1][['StockCode','Quantity_x', 'Description' ]]

	StockCode	Quantity_x	Description
0	22197	52928	SMALL POPCORN HOLDER

Produto mais vendido no Reino Unido:

O produto Small Popcorn Holder é o mais vendido no Reino Unido.

Seu código de estoque é 22197.

Seu volume total de vendas é 52928 unidades.

---

Descobrindo o valor mínimo min() de itens vendidos e fazendo um relacionamento pd.merge() entre as tabelas para obtermos além código de estoque do produto, a sua descrição.

temp[temp['Quantity'] == min(temp['Quantity'])].merge(df_reino_unido, how='left', on='StockCode').iloc[0:1][['StockCode','Quantity_x', 'Description' ]]

	StockCode	Quantity_x	Description
0	23005	-14468	TRAVEL CARD WALLET I LOVE LONDON

Produto menos vendido no Reino Unido:

O produto Travel Card Wallet I Love London é o menos vendido no Reino Unido.

Seu código de estoque é 23005.

Seu volume total de vendas é -14468 unidades.

Este produto certamente deveria ser descontinuado, uma vez que possui um valor negativo de quantidades vendidas (provavelmente devoluções) e ocupa espaço em estoque.

---

Para aprofundar um pouco mais a investigação das vendas do Reino Unido, vamos analisar quantidade de produtos em cada partição da sua curva ABC de vendas para cada loja.

A curva ABC de vendas, trata-se de uma ferramenta que orienta as estratégias comerciais de uma empresa. Ela mostra aos gestores quais produtos ou grupo de clientes devem ser priorizados, uma vez que representam maior potencial de gerar lucro para o negócio.

A curva ABC, então, surge como uma forma de classificar e agrupar produtos e clientes de acordo com o potencial de gerar receita.

• Produtos A: alta relevância. 80% do faturamento vem de 20% do seu mix de produtos;


• Produtos B: média relevância. 15% do seu faturamento vem de 30% do seu mix de produtos;


• Produtos C: baixa relevância. 5% do seu faturamento vem de 50% do seu mix de produtos.

</font>

---

Poderíamos calcular a curva ABC de vendas de modo simples, utilizando apenas linguagem Python, mas faremos os cálculos utilizando a linguagem SQL. Abaixo, a instrução SQL para o cálculo. A princípio o tamanho do código pode assustar, mas é necessário fazer algumas subqueries para realizar todas as operações em apenas uma instrução.

---

query = '''SELECT d3.StoreId,
	   d3.class_abc,
	   COUNT(d3.class_abc) AS quantity_abc
FROM (
SELECT d2.StoreId,
	   d2.StockCode,
	   d2.total_billing,
	   d2.grand_total,
	   d2.perc,
	   d2.acc_perc,
	   CASE
			WHEN d2.acc_perc <= 80 THEN 'A'
			WHEN d2.acc_perc <= 95 THEN 'B'
			ELSE 'C'
		END class_abc
FROM (
SELECT d1.StoreId,
	   d1.StockCode,
	   d1.total_billing,
	   d1.grand_total,
	   d1.perc,
	   SUM(d1.perc) OVER(ORDER BY d1.total_billing DESC) acc_perc

FROM (
SELECT d.StoreId,
	d.StockCode,
	d.total_billing,
	SUM(d.total_billing) OVER() grand_total,
	CAST(d.total_billing AS NUMERIC(15,3)) / CAST(SUM(d.total_billing) OVER() AS NUMERIC(15,3)) * 100 perc
		FROM (
			SELECT StoreId, StockCode, SUM(CAST(Quantity AS FLOAT))* sum(UnitPrice) AS total_billing FROM df_reino_unido
			GROUP BY StoreId, StockCode) d) d1) d2)d3 group by  d3.StoreId, d3.class_abc ORDER BY d3.StoreId;'''

Utilizaremos o pacote pandasql para manipular o DataFrame pandas por meio da linguagem sql.

df_reino_unido_2 = pd.DataFrame(sqldf(query, globals()))
df_reino_unido_2.head()

	StoreId	class_abc	quantity_abc
0	1	A	123
1	1	B	201
2	1	C	2724
3	10	A	115
4	10	B	191

A query sql executada nos retornou a tabela acima com as colunas StoreId, class_abc e quantity_abc.

• StoreId: Número de registro da loja;


• class_abc: Partição da curva ABC em que os produtos se encontram;


• quantity_abc: Quantidade de produtos de produtos da loja x na partição y da curva ABC

---

Convertendo o tipo da coluna StoreId para inteiro para que possamos ordenar os valores de acordo com o número da loja

df_reino_unido_2['StoreId'] = df_reino_unido_2['StoreId'].astype(int)
df_reino_unido_2 = df_reino_unido_2.sort_values(by='StoreId', ascending=True)

Atribuindo nomes genéricos para as lojas uma vez que temos apenas os seus ID's.

lojas = ['Loja ' + str(df_reino_unido_2['StoreId'][i]) for i in df_reino_unido_2.index]

df_reino_unido_2['StoreId'] = lojas

Definindo as cores do layout e plotando o gráfico.

cores_2 = ['#3C0877','#232323','#F93D8A',]

fig = px.bar(df_reino_unido_2, y='quantity_abc', x='StoreId',
            labels={'quantity_abc':'Quantidade','StoreId':'Lojas'},
             orientation='v',color='class_abc', color_discrete_map={'A': cores_2[0],
                                                    'B': cores_2[1],
                                                    'C':cores_2[2]})

fig.update_yaxes(color=cores['roxo'],  linecolor=cores['roxo'])
fig.update_xaxes(color=cores['roxo'], linecolor=cores['roxo'])

fig.update_layout(uniformtext_minsize=7.6, uniformtext_mode='show',
                  title='''Quantidade de Produtos em Cada Partição da Curva ABC de Vendas <br>
                  <sup>Agrupado por Loja do Reino Unido</sup>''',
                  title_x=0.5,
                 plot_bgcolor=cores['branco'], modebar_activecolor=cores['rosa'],
                 font_color=cores['preto'], title_font_color=cores['roxo'],
                  legend_title_font_color='#232323')
fig.show()

Olhando para o gráfico, podemos identificar o princípio de Pareto, em que 80% dos efeitos são devidos a 20% das causas. Podemos ver que a categoria A de produtos tem uma quantidade menor do que todas as outras, mas é responsável por cerca de 80% do faturamento.

Logo as campanhas de marketing deveriam ser direcionadas para impulcionar estes produtos, que lém de conquistar uma fatia maior de market share iriam, consequentemente, elevar os valores do ticket médio mensal.

---

Muito Obrigado

Caso tenha dúvidas ou sugestões favor entrar em contato pelo email: lucasflopes012@gmail.com

---